犹豫不决的模糊语言偏好关系（HFLPR）是有意义的，因为它为不确定性提供了意见表达的有效方法。为了提高HFLPR决策理论，本文介绍了一种基于可接受的一致性和共识测量与HFLPRS组决策的算法，涉及（1）定义犹豫不决的模糊语言几何一致性指数（HFLGCI）并提出过程对于HFLPR的一致性检查和不一致的不一致; （2）根据原始个人HFLPRS与整体完美HFLPR之间的相似性衡量组共识，然后建立共识的程序，确保包括决策者重量的确定。提出的两项程序的收敛性和单调性已被证明。进一步进行一些实验以研究所定义的HFLGCI的临界值，并进行比较分析以显示所提出的算法的有效性。给出了有关风险投资指导基金的绩效评估的案例，以说明所提出的算法的可用性。作为我们工作的应用，最终为决策者提供了在线决策门户，以利用所提出的算法来解决决策问题。

已经提出了概率语言学期来处理提供的语言评估中的概率分布。但是，由于它具有一些基本缺陷，决策者通常很难获得合理的语言评估对团体决策的信息。此外，权重信息在动态信息融合和决策过程中起着重要作用。但是，有很少的研究方法可以随时间确定动态属性权重。在本文中，我提出了双模糊概率间隔语言术语集（DFPilts）的概念。首先，模糊语义集成，DFPilts定义，其偏好关系，定义了一些基本算法和聚合运算符。然后，开发了一种具有网络的模糊语言马尔可夫矩阵。然后，开发了一种基于距离测量和信息熵的权重确定方法，从而减少DFPilpr的不一致并获得基于组共识的集体优先级向量。最后，开发了基于聚合的方法，以及来自财务风险的最佳投资情况用于说明DFPilts和决策方法在多标准决策中的应用。

决策者可以通过间隔估值的Q-RONG Orthopair模糊集（IVQ-ROF）来评估更灵活，该模糊套装（IVQ-ROF）提供模糊决策更多的应用空间。同时，Choquet Integralses非添加性集合功能（模糊测量）直接描述属性之间的交互。特别是，属性之间存在大量实际问题。因此，本文提出了相关运营商和组决策 - 制作方法基于间隔值Q-RONG Orthopair模糊Set Choquet Integral.dirst，intervalglued Q-rung orthopair模糊Choquet整体平均运算符（IVQ-rofca）和间隔值q-rung orthopair模糊choquet整体几何算子（ IVQ-ROFCG）被致敏感，并证明了它们的基本性质。繁多，开发了基于IVQ-ROFCA和IVQ-ROFCG的几个运算符。然后，开发了一种基于IVQ-ROFCA的组决策方法，可以解决归因于属性之间的相互作用的决策。最后，通过实施高血压警告管理系统，结果显示了运营商和组决策 - 本文提出的制造方法可以处理复杂的决策情况，决策结果与医生的诊断结果一致.OREOVER，与其他运营商结果的比较表明，建议的运营商和组决策方法表明是正确且有效的，决策结果不会受到Q值的变化的影响。

本文为多属性多目标组决策提供了一种具有未知权重和属性的权重的新工具。基于Ager运营商和具有未知权重的评论员的批评方法，提出了间隔值的广义正交模糊组决策方法。该方法集成了Yager运算符，评论家，WASPA和间隔值广义正交模糊组。它的优点是允许决策者更大的自由，避免由于决策者的体重而偏差，并产生准确的评估。该研究包括：扩展间隔值广义测量方法，以进行相似性测量和决策方法的比较和应用;开发新的评分功能，用于比较间隔值广义正交模糊数以及进一步的现有研究。建议的间隔值加权平均运算符（IVQ-ROFYWA）和YAGR加权几何平均算子（IVQ-ROFYWG）用于信息聚集。批评批评者结合了评论家和黄蜂的优势，这不仅在单一决定中工作，而且还担任集团决定的基础。关于决策者的重量矩阵的深入研究克服了整个决定的缺点，并重视决策者的信息聚集。最后，组决策算法用于高血压风险管理。结果与决策者的意见一致。实践和案例分析证明了本文提出的方法的有效性。与此同时，它与其他操作员和决策方法进行比较，证明该方法有效可行。

Ranking intuitionistic fuzzy sets with distance based ranking methods requires to calculate the distance between intuitionistic fuzzy set and a reference point which is known to have either maximum (positive ideal solution) or minimum (negative ideal solution) value. These group of approaches assume that as the distance of an intuitionistic fuzzy set to the reference point is decreases, the similarity of intuitionistic fuzzy set with that point increases. This is a misconception because an intuitionistic fuzzy set which has the shortest distance to positive ideal solution does not have to be the furthest from negative ideal solution for all circumstances when the distance function is nonlinear. This paper gives a mathematical proof of why this assumption is not valid for any of the non-linear distance functions and suggests a hypervolume based ranking approach as an alternative to distance based ranking. In addition, the suggested ranking approach is extended as a new multicriteria decision making method, HyperVolume based ASsessment (HVAS). HVAS is applied for multicriteria assessment of Turkey's energy alternatives. Results are compared with three well known distance based multicriteria decision making methods (TOPSIS, VIKOR, and CODAS).

本文提出了一个基于对MCDM问题的概率解释的贝叶斯框架，并涵盖了几种众所周知的多准则决策（MCDM）方法。由于贝叶斯模型的灵活性，该拟议的框架可以以统计优雅的方式解决MCDM中的几个长期存在的基本挑战，包括小组决策问题和标准相关性。同样，该模型可以在决策者（DMS）的偏好（例如正常和三角形分布以及间隔偏好）的偏好（DMS）中适应不同形式的不确定性。此外，开发了一个概率混合模型，该模型可以将DMS分为几个详尽的类别。概率排名方案也是针对标准和替代方案设计的，它标识了一个标准/替代方案比基于DM（S）偏好更重要的程度。该实验在几个数字示例上验证了所提出的框架的结果，并与其他方法相比突出了其显着特征。

尽管在机器学习的方法论核心中是一个问题，但如何比较分类器仍未达成一致的共识。每个比较框架都面临着（至少）三个基本挑战：质量标准的多样性，数据集的多样性以及选择数据集选择的随机性/任意性。在本文中，我们通过采用决策理论的最新发展，为生动的辩论增添了新的观点。我们最终的框架基于所谓的偏好系统，通过广义的随机优势概念对分类器进行排名，该概念强大地绕过了繁琐的，甚至通常是自相矛盾的，对聚合的依赖。此外，我们表明，可以通过解决易于手柄的线性程序和通过适应的两样本观察随机化测试进行统计测试来实现广泛的随机优势。这确实产生了一个有力的框架，可以同时相对于多个质量标准进行分类器的统计比较。我们在模拟研究和标准基准数据集中说明和研究我们的框架。

成对比较矩阵越来越多地用于某些对丢失的设置中。但是，对于类似的不完整数据集，不存在一些不一致的指标，并且没有合理的测量具有相关的阈值。本文推出了Saaty提出的可接受不一致的拇指的着名拇指规则，以不完整的成对比较矩阵。扩展基于选择缺失元素，使得不完整矩阵的最大特征值最小化。因此，不能采用随机索引的良好成熟的值：发现随机矩阵的不一致是矩阵大小的函数和缺失元素的数量，在后一变量的情况下具有几乎线性的依赖性。我们的结果可以直接内置于决策软件中，并由从业者使用作为接受或拒绝不完整的成对比较矩阵的统计标准。

对成对比较的排名聚集在选举，体育比赛，建议和信息检索中表现出了令人鼓舞的结果。但是，与众多有关计算和统计特征的研究工作相反，对这种算法的安全问题几乎没有关注。在巨额利润的推动下，潜在的对手具有强大的动力和动力来操纵排名清单。同时，文献中没有很好地研究等级聚集方法的内在脆弱性。为了充分了解可能的风险，我们专注于有目的的对手，他们希望通过修改本文中的成对数据来指定汇总结果。从动力学系统的角度来看，具有目标排名列表的攻击行为是属于对手和受害者组成的固定点。为了执行目标攻击，我们将对手和受害者之间的相互作用作为游戏理论框架，由两个连续的操作员组成，同时建立了NASH平衡。然后，构建了针对Hodgerank和RankCentrality的两个程序，以产生原始数据的修改。此外，我们证明，一旦对手掌握了完整的信息，受害者将产生目标排名列表。值得注意的是，所提出的方法允许对手只保留不完整的信息或不完美的反馈并执行有目的的攻击。一系列玩具模拟和几个现实世界数据实验证明了建议的目标攻击策略的有效性。这些实验结果表明，所提出的方法可以实现攻击者的目标，即扰动排名列表的领先候选人是对手指定的。

在时间序列预测的各种软计算方法中，模糊认知地图（FCM）已经显示出显着的结果作为模拟和分析复杂系统动态的工具。 FCM具有与经常性神经网络的相似之处，可以被分类为神经模糊方法。换句话说，FCMS是模糊逻辑，神经网络和专家系统方面的混合，它作为模拟和研究复杂系统的动态行为的强大工具。最有趣的特征是知识解释性，动态特征和学习能力。本调查纸的目标主要是在文献中提出的最相关和最近的基于FCCM的时间序列预测模型概述。此外，本文认为介绍FCM模型和学习方法的基础。此外，该调查提供了一些旨在提高FCM的能力的一些想法，以便在处理非稳定性数据和可扩展性问题等现实实验中涵盖一些挑战。此外，具有快速学习算法的FCMS是该领域的主要问题之一。

人类具有使用语言信息（LI）的固有能力，即使它含糊不清和不精确。提出了用单词（CWW）计算来授予人类这种能力的计算系统。从各种CWW方法论的许多出版物中可以明显看出对CWW领域的兴趣。这些方法使用不同的方法来建模LI的语义。但是，据我们所知，有关这些方法论的文献大多是分散的，并没有为感兴趣的研究人员提供有关这些方法的概念和实用性的全面但温和的指南。因此，为了介绍基础和最先进的CWW方法论，我们以一种简洁但易于理解的方式提供了简洁但广泛的覆盖范围。我们认为，我们对CWW方法的高质量审查和介绍的简单性对于研究人员来说非常有用，尤其是那些首次开始使用CWW的人。我们还提供未来的研究指示，为有兴趣和积极进取的研究人员提供基础。

评估组织内组织和分支机构的效率对于经理来说是一个具有挑战性的问题。评估标准允许组织对其内部单位进行排名，确定其在竞争对手方面的立场，并实施改进和发展目的的策略。在评估银行分支机构的方法中，非参数方法吸引了近年来研究人员的注意。最广泛使用的非参数方法之一是数据包络分析（DEA），可带来有希望的结果。但是，静态DEA方法并未考虑模型中的时间。因此，本文使用动态DEA（DDEA）方法在三年内评估伊朗银行的分支机构（2017-2019）。然后将结果与静态DEA进行比较。对分支进行排名后，使用K-均值方法聚类。最后，引入了一种全面的敏感性分析方法，以帮助管理人员决定更改变量以将分支从一个群集转移到更有效的变量。

排名汇总旨在将许多替代品的偏好排名与不同选民的偏替排名组合成单一共识排名。然而，作为各种实际应用的有用模型，它是一个计算上有挑战性的问题。在本文中，我们提出了一种有效的混合进化排名算法来解决完整和部分排名的排名聚集问题。该算法具有基于协调对的语义交叉，并通过有效的增量评估技术加强了较晚的验收本地搜索。进行实验以评估算法，与最先进的算法相比，表明基准实例上具有高度竞争性能。为了展示其实际有用性，算法应用于标签排名，这是一个重要的机器学习任务。

经验丰富的用户通常在解决现实世界优化问题方面具有有用的知识和直觉。用户知识可以作为可变关系的配方，以帮助优化算法更快地找到良好的解决方案。此类间相互作用也可以自动从优化运行中的中间迭代中发现的高性能解决方案中自动学习 - 一种称为Innovization的过程。如果用户对这些关系进行审查，则可以在新生成的解决方案中执行，以将优化算法引导到搜索空间中实际上有希望的区域。对于大规模问题，这种可变关系的数量可能很高，就会出现挑战。本文提出了一个基于交互式知识的进化多目标优化（IK-EMO）框架，该框架将隐藏的可变关系提取为从不断发展的高性能解决方案中的知识，与用户共享它们以接收反馈，并将其应用于优化提高其有效性的过程。知识提取过程使用系统而优雅的图形分析方法，该方法与变量数量很好地缩放。在三个大规模的现实世界工程设计问题上证明了拟议的IK-EMO的工作。提出的知识提取过程和高性能解决方案的实现的简单性和优雅迅速表明了所提出的框架的力量。提出的结果应激发进一步的基于相互作用的优化研究，以实践其常规使用。

处理不确定，矛盾和模棱两可的信息仍然是人工智能（AI）的核心问题。结果，已经提出或改编了许多形式主义，以考虑非单调性，只有有限的作品和研究人员在其中进行了任何类型的比较。非单调形式主义是一种允许从前提中撤回以前的结论或主张，鉴于新的证据，在处理不确定性时提供了一些理想的灵活性。这篇研究文章着重于评估不辩论论证的推论能力，这是一种用于建模非单调推理的形式主义。除此之外，由于在AI社区中的广泛而公认的用途，选择并用作处理非主持推理的非单调性推理的模糊推理和专家系统。计算信任被选为此类模型应用的领域。信任是一种定义不明的结构，因此，适用于信任推理的推理可以看作是非单调的。推理模型旨在将信任标量分配给Wikipedia项目的编辑。特别是，尽管知识库或数据集使用了知识库或数据集，但基于参数的模型比在基线上建立的模型表现出更大的鲁棒性。这项研究通过剥削性论证及其与类似方法的比较来促进知识的体系。这种方法的实际用途以及一个模块化设计的实际使用，促进了类似的实验，并且在GitHub上公开提供了各自的实现[120，121]。这项工作增加了以前的作品，从经验上增强了不诚实论证的普遍性作为一种引人入胜的方法，以定量数据和不确定的知识来推理。

In peer review systems, reviewers are often asked to evaluate various features of submissions, such as technical quality or novelty. A score is given to each of the predefined features and based on these the reviewer has to provide an overall quantitative recommendation. However, reviewers differ in how much they value different features. It may be assumed that each reviewer has her own mapping from a set of criteria scores (score vectors) to a recommendation, and that different reviewers have different mappings in mind. Recently, Noothigattu, Shah and Procaccia introduced a novel framework for obtaining an aggregated mapping by means of Empirical Risk Minimization based on $L(p,q)$ loss functions, and studied its axiomatic properties in the sense of social choice theory. We provide a body of new results about this framework. On the one hand we study a trade-off between strategy-proofness and the ability of the method to properly capture agreements of the majority of reviewers. On the other hand, we show that dropping a certain unrealistic assumption makes the previously reported results to be no longer valid. Moreover, in the general case, strategy-proofness fails dramatically in the sense that a reviewer is able to make significant changes to the solution in her favor by arbitrarily small changes to their true beliefs. In particular, no approximate version of strategy-proofness is possible in this general setting since the method is not even continuous w.r.t. the data. Finally we propose a modified aggregation algorithm which is continuous and show that it has good axiomatic properties.

我们考虑一个预期值排名和选择问题，其中所有K解决方案的仿真输出都取决于常见的不确定输入模型。鉴于输入模型的不确定性是由有限支持的概率单纯捕获的，我们将最佳最佳（MPB）定义为最佳概率最大的解决方案。为了设计有效的采样算法以找到MPB，我们首先得出了一个错误选择MPB的概率的较大偏差率，然后提出最佳计算预算分配（OCBA）问题，以找到最佳的静态采样比率的最佳静态采样率所有解决方案输入模型对最大化下限。我们设计了一系列顺序算法，这些算法应用于可解释和计算有效的采样规则，并证明其采样比达到了随着仿真预算的增加而达到OCBA问题的最佳条件。该算法针对用于上下文排名和选择问题的最新顺序抽样算法进行了基准测试，并证明在查找MPB时具有出色的经验性能。

群集集群或共识群集已成为一种强大的工具，用于提高各种聚类方法的鲁棒性和结果的稳定性。加权聚类集群自然地从集群集群中产生。加权群集集合的参数之一是聚类集群中的元素（群集或集群）具有不同的质量，或者对象或特征具有不同意义的重要性。但是，不可能直接将加权机制从分类（监督）域中应用于群集（无监督）域，因为群集本质上是一个不存在的问题。本文通过讨论不同类型的权重，确定重量值的主要方法以及将加权聚类集合与复杂数据的应用程序的主要方法概述了加权集群集群集合概述。本文提出的统一框架将有助于聚类从业者为自己的问题选择最合适的加权机制。

Uncertainty is prevalent in engineering design, statistical learning, and decision making broadly. Due to inherent risk-averseness and ambiguity about assumptions, it is common to address uncertainty by formulating and solving conservative optimization models expressed using measure of risk and related concepts. We survey the rapid development of risk measures over the last quarter century. From its beginning in financial engineering, we recount their spread to nearly all areas of engineering and applied mathematics. Solidly rooted in convex analysis, risk measures furnish a general framework for handling uncertainty with significant computational and theoretical advantages. We describe the key facts, list several concrete algorithms, and provide an extensive list of references for further reading. The survey recalls connections with utility theory and distributionally robust optimization, points to emerging applications areas such as fair machine learning, and defines measures of reliability.

作为一种预测模型的评分系统具有可解释性和透明度的显着优势，并有助于快速决策。因此，评分系统已广泛用于各种行业，如医疗保健和刑事司法。然而，这些模型中的公平问题长期以来一直受到批评，并且使用大数据和机器学习算法在评分系统的构建中提高了这个问题。在本文中，我们提出了一般框架来创建公平知识，数据驱动评分系统。首先，我们开发一个社会福利功能，融入了效率和群体公平。然后，我们将社会福利最大化问题转换为机器学习中的风险最小化任务，并在混合整数编程的帮助下导出了公平感知评分系统。最后，导出了几种理论界限用于提供参数选择建议。我们拟议的框架提供了适当的解决方案，以解决进程中的分组公平问题。它使政策制定者能够设置和定制其所需的公平要求以及其他特定于应用程序的约束。我们用几个经验数据集测试所提出的算法。实验证据支持拟议的评分制度在实现利益攸关方的最佳福利以及平衡可解释性，公平性和效率的需求方面的有效性。